CN109359162A - 一种基于gis的学校选址方法 - Google Patents

Abstract

一种基于GIS的学校选址方法，包括以下步骤：1)～5)、对学校选址方法进行描述；6)、将获取的数据导入GIS平台中；7)、对数据进行特征处理得到相应的派生数据集；8)、通过引入标准化欧式距离与赫夫模型构建学校选址模型；9)、对学校选址模型加入约束条件，并通过重分类将派生数据合并；10)、设置相应的加权系数，进行加权叠加，通过GIS平台的空间分析工具得到加权后的数据集；11)、统一度量值后得到学校选址区域适宜图；12)、通过major滤波操作后将不符合实际情况的城市区域剔除，得出学校最佳落址位置。本发明提供一种寻址效率较高、寻址结果较为满意的学校选址方法。

Description

一种基于GIS的学校选址方法

技术领域

本发明涉及一种线性规划、网络流、地理信息处理、计算机应用领域、地理学、网络分析等应用领域，尤其涉及一种基于GIS的学校选址方法。

背景技术

无论何时，选址问题一直与人类生活息息相关。选址问题研究决策依据从古代的迷信风水学到现代选址理念的转变，都对社会发展产生了深远影响。选址问题涉及的内容非常广泛，在生产生活、军事、运输物流中都有应用。该问题在政治、社会、管理、工程地质等领域都有涉及，包括在城乡规划、经济开发区、生产链、存储中心等方面选址决策。选址问题需要结合服务方式、服务效率、服务成本等因素来进行选址决策。换句话说，好的选址决策会给人民生活带来便利，对扩大利润和占有更大市场份额有了更好的竞争力，从而提高人民幸福指数，设施服务质量；差的选址决策则会带来很大的不便和损失，甚至是灾难。因此，选址问题的研究有着重要的实际意义。

公共服务设施选址问题是选址问题的一个重要研究领域。设施根据具体的功能特点，分为教育、交通、医疗卫生等设施。而公共服务建设反映人民生活水平，强调社会效益，且与和谐社会建设戚戚相关，是城市规划和发展的重要问题。学校作为一项重要的公共服务设施，选址问题受各国研究者的广泛关注。我国属于发展中国家，人口众多，正面临着教育资源相对有限于人民对优质教育资源需求增长的矛盾。国家为解决这一问题，不断进行体制改革和合并调整来扩大教育规模，使校园选址成为研究的热点，为学校发展创造了机遇与挑战。

由于城市空间的拥挤，原本的校园发展空间已经没有太多的建设资源，这阻碍了国家推行教育建设的步伐，因此选址建设新校区成为学校进一步发展的有效途径。现如今，随着网络时代的到来，网络资源越来越丰富，基于学校的地理信息数据越来越受到研究人员的重视。通过成熟的GIS技术，结合自身发明的方法，利用相关的空间数据可以很好地构建模型进行分析，从而优化和改进方法，为学校选址决策提供了可靠的数据和理论依据。

学校选址问题需要考虑多种因素，例如人文因素和自然因素，国内外通过这些因素提出了许多校园选址方法。但传统校园选址问题的研究仍然存在不少问题，譬如选址设置严格的覆盖标准，在覆盖半径内的所有需求点都被覆盖，而只要不在覆盖半径之内就完全不被覆盖，这种覆盖模型方法往往不太切合实际情况；对学校选址的需求分析不充分，往往忽视了选址的随机性、不确定问题。传统的学校选址问题研究多从外部环境、交通情况等硬性约束条件来规划选址，对一些不确定因素的考虑仍然较少；无法结合真实的数据，验证模型方法对于学校选址的准确性。

因此，现有的校园选址方法存在不足，需要改进。

发明内容：

为了克服传统学校选址方法中的不足，本发明提供了一种借助GIS网络分析技术，结合重分类加权法加以考虑地理位置、人口密度、土地利用类型、交通状况以及现有学校的距离间隔等影响因素的学校选址方法，能够确定出适宜性比较好的学校选址区域，寻址效率较高、寻址结果较为满意。

本发明解决其技术问题所采用的技术方案是：

一种基于GIS的学校选址方法，包括以下步骤：

1)获取所在城市的高程数据H、城市各处基础设施位置数据M、城市土地利用情况S，城市人口分布密度P；对P进行聚类操作，将居民点聚类成N个需求点，即居民点集合为I＝{i₁,i₂,i₃,....,i_N}，设学校候选点集合J与居民点集合I相同，即J＝I＝{i₁,i₂,i₃,....,i_N}；其中数据M包含城市交通、城市教育布局、城市河流规划等与学校选址相关的地理数据，从中提取出影响选址决策较大的地理数据：现有学校的分布数据集合D＝{d₁,d₂,d₃,....d_m}、学生生活必备的基础设施分布数据集合E＝{e₁,e₂,e₃,....e_k}，E中包括城市公交、地铁、火车站分布数据以及学生休闲娱乐场所数据；土地利用情况S分为公用地、交通拥堵、水系占用地、森林用地、湿地、市中心用地、绿化用地和农用地；

2)对学校候选点集合J与现有学校的分布数据集合D求解标准化欧式距离，即对应欧式距离集合为

由此得到约束条件：新学校应与已有学校保持的距离需大于ε，ε的取值选取大于城市现有学校之间的欧式距离的均值，即

其中b∈{1,2,....N},k∈{1,2,...m}，i_b,d_k分别表示学校候选点和城市现有学校的坐标，s_k表示对应分量的标准差，J_b,D_k分别表示任意学校候选点和现有学校的地理位置集合，D_i,j表示现有任意两所学校i,j之间的欧式距离；

3)对学校候选点集合J与学生生活必备的基础设施分布数据集合E建立赫夫模型，即

其中A_ij表示基础设施j对学生i的吸引力，表示基础设施j的魅力度，表示学校候选点学生i到基础设施j的阻抗成本，设学生i到基础设施j的欧式距离作为阻抗成本，a,b分别表示对应的敏感性参数；进一步求得学校候选点学生i前往基础设施j消费的概率为得到新的约束条件：

4)城市地形的平坦程度对学校的选址决策也有着至关重要的影响；从城市高程数据集H中获取城市区域坡度，通过n*n邻域模板进行焦点统计，将邻域内的最大高程与最小高程之差作为该邻域的坡度值，即θ＝ΔH＝max(σ)-min(σ)，其中σ＝{X_i,j,X_i,j+1,...X_i,j+n,X_i+1,j,....X_i+n-1,j+n,X_i+n,j+n}，其中X_i,j表示n*n模板内的某一像元的高程值，规定θ的取值不宜过大，应小于θ'，得到约束条件：

θ＝ΔH＝max(σ)-min(σ)＜θ' (5)

5)对所在城市的地形数据θ、现有学校的分布数据集合D、学生生活必备的基础设施分布数据集合E以及城市地段规划类别S进行加权叠加，设置合理的加权比重，得到模型性能指标：

其中A,B,C,D分别代表上述约束的加权比重，A+B+C+D＝1，通过求解上述公式，最终可以得到基于不同城市地理数据的最优学校选址；

6)将城市地理信息数据导入GIS平台，进行地图矢量化，得到城市地面高程、基础设施、现有学校分布、土地利用情况矢量图；

7)通过上述方法的计算，得到坡度等数据；将数据录入到图层属性表，为栅格图提供源数据；

8)在GIS平台的模型构建器中构建学校选址模型，设置环境的处理范围和像元大小，从数据集中派生出对应θ,D,E,S数据；

9)对模型输入每个条件，加入步骤2)、3)、4)中的方法，对坡度θ，土地类型S等进行约束，然后将这些派生数据进行合并，创建一幅适宜性地图，从而在其中标识出新学校的可能位置，与学校候选点进行重合对比；对这些数据集进行重分类，将其设置为统一的度量级，数据集中的各个值都分配到相应的离散整数值，各数据集中较适宜建设新学校的区域将被分配较高的值；

10)对派生数据集重分类后，设置相应的加权系数，进行加权叠加，通过GIS平台的空间分析工具得到加权后的数据集；此步骤可以在重分类的同时进行加权，更为简便；

11)完成上述步骤后，学校选址模型已构建完成，在GIS平台上运行此模型，在统一度量值的基础上得出学校选址区域适宜图；

12)将学习选址区域适宜图进行Major滤波操作，将图中虽然满足上述约束条件但位置交通道路经过较多或占地面积过小的区域剔除；最后将得到的适宜图和学校候选点分布图对比，得出学校最佳落址位置。

进一步，所述步骤8)中，在派生坡度数据集时，运行的是根据步骤4)所设计的脚本，通过焦点统计理念实现；

再进一步，所述步骤9)中，在生成网络分析中，通过导入一种自定义脚本来生成约束条件，该脚本是对3)、4)步骤中的实现。

本发明的有益效果主要表现在：本发明的学校选址方法，实质就是一种基于模型的聚类最优化方法，结合GIS，基于城市实际地理信息数据，获得新学校最佳位置。

附图说明

图1是一种基于GIS的学校选址方法流程图。

图2是导入数据后在GIS平台上显示的位置信息图。

具体实施方式

下面结合附图对本发明进一步描述。

参照图1和图2，一种基于GIS的学校选址方法，包括以下步骤：

1)获取所在城市的高程数据H、城市各处基础设施位置数据M、城市土地利用情况S，城市人口分布密度P；对P进行聚类操作，将居民点聚类成N个需求点，即I＝{i₁,i₂,i₃,....,i_N}，设学校候选点集合与居民点集合相同，即J＝I＝{i₁,i₂,i₃,....,i_N}；其中数据M包含城市交通、城市教育布局、城市河流规划等与学校选址相关的地理数据，从中提取出影响选址决策较大的地理数据：现有学校的分布数据集合D＝{d₁,d₂,d₃,....d_m}、学生生活必备的基础设施分布数据集合E＝{e₁,e₂,e₃,....e_k}，E中包括城市公交、地铁、火车站分布数据以及学生休闲娱乐场所数据；土地利用情况S分为公用地、交通拥堵、水系占用地、森林用地、湿地、市中心用地、绿化用地和农用地；

2)对学校候选点集合J与现有学校的分布数据集合D求解标准化欧式距离，即对应欧式距离集合为

由此得到约束条件：新学校应与已有学校保持的距离需大于ε，ε的取值选取大于城市现有学校之间的欧式距离的均值，即

其中b∈{1,2,....N},k∈{1,2,...m}，i_b,d_k分别表示学校候选点和城市现有学校的坐标，s_k表示对应分量的标准差，J_b,D_k分别表示任意两个学校候选点和现有学校的地理位置集合，D_i,j表示现有任意两所学校i,j之间的欧式距离；

3)对学校候选点集合J与学生生活必备的基础设施分布数据集合E建立赫夫模型，即

其中A_ij表示基础设施j对学生i的吸引力，表示基础设施j的魅力度，表示学校候选点学生i到基础设施j的阻抗成本，设学生i到基础设施j的欧式距离作为阻抗成本，a,b分别表示对应的敏感性参数；进一步求得学校候选点学生i前往基础设施j消费的概率为得到新的约束条件：

4)城市地形的平坦程度对学校的选址决策也有着至关重要的影响；从城市高程数据集H中获取城市区域坡度，通过n*n邻域模板进行焦点统计，将邻域内的最大高程与最小高程之差作为该邻域的坡度值，即θ＝ΔH＝max(σ)-min(σ)，其中σ＝{X_i,j,X_i,j+1,...X_i,j+n,X_i+1,j,....X_i+n-1,j+n,X_i+n,j+n}，其中X_i,j表示n*n模板内的某一像元的高程值，规定θ的取值不宜过大，应小于θ'，得到约束条件：

θ＝ΔH＝max(σ)-min(σ)＜θ' (5)

5)对所在城市的地形数据θ、现有学校的分布数据集合D、学生生活必备的基础设施分布数据集合E以及城市地段规划类别S进行加权叠加，设置合理的加权比重，得到模型性能指标：

其中A,B,C,D分别代表上述约束的加权比重，A+B+C+D＝1，通过求解上述公式，最终可以得到基于不同城市地理数据的最优学校选址；

6)将城市地理信息数据导入GIS平台，进行地图矢量化，得到城市地面高程、基础设施、现有学校分布、土地利用情况矢量图；

7)通过上述方法的计算，得到坡度等数据；将数据录入到图层属性表，为栅格图提供源数据；

8)在GIS平台的模型构建器中构建学校选址模型，设置环境的处理范围和像元大小，从数据集中派生出对应θ,D,E,S数据；

9)对模型输入每个条件，加入步骤2)、3)、4)中的方法，对坡度θ，土地类型S等进行约束，然后将这些派生数据进行合并，创建一幅适宜性地图，从而在其中标识出新学校的可能位置，与学校候选点进行重合对比；对这些数据集进行重分类，将其设置为统一的度量级，数据集中的各个值都分配到相应的离散整数值，如1到10，各数据集中较适宜建设新学校的区域将被分配较高的值；

10)对派生数据集重分类后，设置相应的加权系数，进行加权叠加，通过GIS平台的空间分析工具得到加权后的数据集；此步骤可以在重分类的同时进行加权，更为简便；

11)完成上述步骤后，学校选址模型已构建完成，在GIS平台上运行此模型，在统一度量值的基础上得出学校选址区域适宜图；

12)将学习选址区域适宜图进行Major滤波操作，将图中虽然满足上述约束条件但位置交通道路经过较多或占地面积过小的区域剔除；最后将得到的适宜图和学校候选点分布图对比，得出最佳落址位置。

进一步，所述步骤8)中，在派生坡度数据集时，运行的是根据步骤4)所设计的脚本，通过焦点统计理念实现；

再进一步，所述步骤9)中，在生成网络分析中，通过导入一种自定义脚本来生成约束条件，该脚本是对3)、4)步骤中的实现。

以浙江杭州为例，一种基于GIS的学校选址方法，包括以下步骤：

1)获取浙江杭州的高程数据H、城市各处基础设施位置数据M、城市土地利用情况S，城市人口分布密度P；对P进行聚类操作，将居民点聚类成20个需求点，即I＝{i₁,i₂,i₃,....,i_N}，设学校候选点集合与居民点集合相同，即J＝I＝{i₁,i₂,i₃,....,i_N}；其中数据M包含城市交通、城市教育布局、城市河流规划等与学校选址相关的地理数据，从中提取出影响选址决策较大的地理数据，基于更大限度的扩大选址范围准则，现有学校的分布数据集合D＝{d₁,d₂,d₃,....d_m}对学校选址决策起着重要作用，取m＝30；学生生活必备的基础设施分布数据集合E＝{e₁,e₂,e₃,....e_k}对于学校选址决策也占有较大比重，E中包括城市公交、地铁、火车站分布数据以及学生休闲娱乐场所数据；土地利用情况S分为公用地、交通拥堵、水系占用地、森林用地、湿地、市中心用地、绿化用地和农用地；

2)对学校候选点集合J与现有学校的分布数据集合D求解标准化欧式距离，即对应欧式距离集合为

由此得到约束条件：新学校应与已有学校保持的距离需大于ε，ε的取值选取大于城市现有学校之间的欧式距离的均值，即

其中b∈{1,2,....N},k∈{1,2,...m}，i_b,d_k分别表示学校候选点和城市现有学校的坐标，s_k表示对应分量的标准差，J_b,D_k分别表示任意两个学校候选点和现有学校的地理位置集合，D_i,j表示现有任意两所学校i,j之间的欧式距离；

3)对学校候选点集合J与学生生活必备的基础设施分布数据集合E建立赫夫模型，即

其中A_ij表示基础设施j对学生i的吸引力，表示基础设施j的魅力度，表示学校候选点学生i到基础设施j的阻抗成本，设学生i到基础设施j的欧式距离作为阻抗成本，a,b分别表示对应的敏感性参数，取a＝1，b＝2；进一步求得学校候选点学生i前往基础设施j消费的概率为取ω＝0.85，得到新的约束条件：

4)城市地形的平坦程度对学校的选址决策也有着至关重要的影响；从城市高程数据集H中获取城市区域坡度，选取3*3邻域模板进行焦点统计，将邻域内的最大高程与最小高程之差作为该邻域的坡度值，即θ＝ΔH＝max(σ)-min(σ)，其中σ＝{X_i,j,X_i,j+1,...X_i,j+n,X_i+1,j,....X_i+2,j+3,X_i+3,j+3}，取θ'＝30，得到约束条件：

θ＝ΔH＝max(σ)-min(σ)＜θ'＝30 (5)

5)对所在城市的地形数据θ、现有学校的分布数据集合D、学生生活必备的基础设施分布数据集合E以及城市地段规划类别S进行加权叠加，设置合理的加权比重，得到模型性能指标：

其中A+B+C+D＝1，取A＝13％，B＝25％，C＝50％,D＝12％；通过求解上述公式，最终可以得到基于不同城市地理数据的最优学校选址；

6)将城市地理信息数据导入GIS平台，进行地图矢量化，得到城市地面高程、基础设施、现有学校分布、土地利用情况矢量图，图2即为城市位置信息图；

7)通过上述方法的计算，得到坡度等数据；将数据录入到图层属性表，为栅格图提供源数据；

8)在GIS平台的模型构建器中构建学校选址模型，设置环境的处理范围和像元大小，从数据集中派生出对应θ,D,E,S≠5,7数据；

9)对模型输入每个条件，加入步骤2)、3)、4)中的方法，对坡度θ，土地类型S等进行约束，然后将这些派生数据进行合并，创建一幅适宜性地图，从而在其中标识出新学校的可能位置，与学校候选点进行重合对比；对这些数据集进行重分类，将其设置为统一的度量级，数据集中的各个值都分配到相应的离散整数值，取1到10，取θ≥4，S≠5,7，代表学校选址不能在绿化用地、湿地、河流等地；各数据集中较适宜建设新学校的区域将被分配较高的值；

10)对派生数据集重分类后，设置相应的加权系数，进行加权叠加，通过GIS平台的空间分析工具得到加权后的数据集；此步骤可以在重分类的同时进行加权，更为简便；

11)完成上述步骤后，学校选址模型已构建完成，在GIS平台上运行此模型，在统一度量值的基础上得出学校选址区域适宜图；

12)将学习选址区域适宜图进行Major滤波操作，将图中虽然满足上述约束条件但位置交通道路经过较多或占地面积过小的区域剔除；最后将得到的适宜图和学校候选点分布图对比，得出最佳落址位置；

以上阐述的是本发明给出的一个实施例表现出来的优良效果，显然本发明不仅适合上述实施例，在不偏离本发明基本精神及不超出本发明实质内容所涉及内容的前提下可对其做种种变化加以实施。

Claims (3)

1.一种基于GIS的学校选址方法，其特征在于：所述方法包括以下步骤：

1)获取所在城市的高程数据H、城市各处基础设施位置数据M、城市土地利用情况S，城市人口分布密度P；对P进行聚类操作，将居民点聚类成N个需求点，即I＝{i₁,i₂,i₃,....,i_N}，设学校候选点集合J与居民点集合I相同，即J＝I＝{i₁,i₂,i₃,....,i_N}；其中数据M包含城市交通、城市教育布局、城市河流规划等与学校选址相关的地理数据，从中提取出影响选址决策较大的地理数据：现有学校的分布数据集合D＝{d₁,d₂,d₃,....d_m}、学生生活必备的基础设施分布数据集合E＝{e₁,e₂,e₃,....e_k}，E中包括城市公交、地铁、火车站分布数据以及学生休闲娱乐场所数据；土地利用情况S分为公用地、交通拥堵、水系占用地、森林用地、湿地、市中心用地、绿化用地和农用地；

2)对学校候选点集合J与现有学校的分布数据集合D求解标准化欧式距离，即对应欧式距离集合为

由此得到约束条件：新学校应与已有学校保持的距离需大于ε，ε的取值选取大于城市现有学校之间的欧式距离的均值，即

其中b∈{1,2,....N},k∈{1,2,...m}，i_b,d_k表示学校候选点和城市现有学校的n维向量，s_k表示对应分量的标准差，J_b,D_k分别表示任意两处学校候选点和现有学校的地理位置集合，D_i,j表示现有任意两所学校i，j之间的欧式距离；

3)对学校候选点集合J与学生生活必备的基础设施分布数据集合E建立赫夫模型，即

其中A_ij表示基础设施j对学生i的吸引力，表示基础设施j的魅力度，表示学校候选点学生i到基础设施j的阻抗成本，设学生i到基础设施j的欧式距离作为阻抗成本，a,b分别表示对应的敏感性参数；进一步求得学校候选点学生i前往基础设施j消费的概率为得到新的约束条件：

4)城市地形的平坦程度对学校的选址决策也有着至关重要的影响；从城市高程数据集H中获取城市区域坡度，通过n*n邻域模板进行焦点统计，将邻域内的最大高程与最小高程之差作为该邻域的坡度值，即θ＝ΔH＝max(σ)-min(σ)，其中σ＝{X_i,j,X_i,j+1,...X_i,j+n,X_i+1,j,....X_i+n-1,j+n,X_i+n,j+n}，其中X_i,j表示n*n模板内的某一像元的高程值，规定θ的取值不宜过大，应小于θ'，得到约束条件：

θ＝ΔH＝max(σ)-min(σ)＜θ' (5)

5)对所在城市的地形数据θ、现有学校的分布数据集合D、学生生活必备的基础设施分布数据集合E以及城市地段规划类别S进行加权叠加，设置合理的加权比重，得到模型性能指标：

其中A,B,C,D分别代表上述约束的加权比重，A+B+C+D＝1，通过求解上述公式，最终可以得到基于不同城市地理数据的最优学校选址；

6)将城市地理信息数据导入GIS平台，进行地图矢量化，得到城市地面高程、基础设施、现有学校分布、土地利用情况矢量图；

7)通过上述方法的计算，得到坡度等数据；将数据录入到图层属性表，为栅格图提供源数据；

8)在GIS平台的模型构建器中构建学校选址模型，设置环境的处理范围和像元大小，从数据集中派生出对应θ,D,E,S数据；

9)对模型输入每个条件，加入步骤2)、3)、4)中的方法，对坡度θ，土地类型S等进行约束，然后将这些派生数据进行合并，创建一幅适宜性地图，从而在其中标识出新学校的可能位置，与学校候选点进行重合对比；对这些数据集进行重分类，将其设置为统一的度量级，数据集中的各个值都分配到相应的离散整数值，如1到10，各数据集中较适宜建设新学校的区域将被分配较高的值；

10)对派生数据集重分类后，设置相应的加权系数，进行加权叠加，通过GIS平台的空间分析工具得到加权后的数据集；此步骤可以在重分类的同时进行加权，更为简便；

11)完成上述步骤后，学校选址模型已构建完成，在GIS平台上运行此模型，在统一度量值的基础上得出学校选址区域适宜图；

12)将学习选址区域适宜图进行Major滤波操作，将图中虽然满足上述约束条件但位置交通道路经过较多或占地面积过小的区域剔除；最后将得到的适宜图和学校候选点分布图对比，得出最佳落址位置。

2.根据权利要求1所述的一种基于GIS的学校选址方法，其特征在于：所述步骤8)中，在派生坡度数据集时，运行的是根据步骤4)所设计的脚本，通过焦点统计理念实现。

3.根据权利要求1或2所述的一种基于GIS的学校选址方法，其特征在于：所述步骤9)中，在生成网络分析中，通过导入一种自定义脚本来生成约束条件，该脚本是对3)、4)步骤中的实现。